Doctorant Developpement de Fonctions de Paroi Efficaces avec Assimilations de Données H/F - Ecole Nationale Supérieure d'Arts et Métiers (ENSAM)

Le poste est rattaché au service Laboratoire de Mécanique des Fluides de Lille (LMFL) et s'inscrit dans une équipe composée de 5 personnes. Vous travaillez en lien étroit avec Marcello Meldi, Paolo Errante (services internes) et Eddy Constant, Martin Spel (partenaires externes).

Dans le cadre de vos fonctions, vous serez en charge des missions et activité suivantes :

· Développement de fonctions de paroi algébriques et différentielles destinées à être intégrées dans l'IBM disponible. Ces fonctions de paroi seront conçues pour prendre en compte les caractéristiques des écoulements complexes en ingénierie aérospatiale (turbulence pariétale, transfert thermique, ablation de paroi).

· Amélioration des modèles développés grâce à l'outil d'assimilation de données Ensemble Kalman Filter. À cette fin, la bibliothèque CONES, développée au LMFL, sera utilisée afin d'augmenter l'efficacité numérique des simulations.

· Application à des corps en mouvement présentant une complexité géométrique croissante.

Des déplacements sont prévues chaque année pour travailler avec les collègues du partenaire industriel Rtech

Diplôme et expérience professionnelle :

Diplômé·e de l'enseignement supérieur (en Mécanique ou sciences des données), vous avez une expérience significative dans la simulation numérique des écoulements turbulents avec des outils CFD et / ou des compétences en apprentissage automatique. Un diplôme de Master M2 est requis.

Savoirset savoir-faire

· Mécanique des fluides avancée

· Méthodes numériques

· Assimilation des données et apprentissage automatique

· Programmation scientifique - Python et C++

· Rédaction scientifique - articles, rapports, documentation technique

Savoir-être:

- Autonomie

- Curiosité scientifique

- Communication claire

- Gestion du temps

- Résilience

- Travail en équipe

- Esprit critique

• Python
• C++
• Programmation
• Travail en équipe
• Autonomie
• Création d'une base documentaire
• Machine learning
• Mécanique des fluides